如何在R中使用media_extract函数提取Word文档中的图片

核心原理 #

docx格式本质是ZIP压缩包，所有内嵌的图片等媒体资源，默认都存放在压缩包内固定的word/media/子目录下。docx_summary返回的图片行中已经包含media_file字段，存储了图片的文件名（如image1.jpeg、image2.png等），手动拼接前缀即可得到media_extract所需的路径参数。

具体实现代码 #

library(officer)

# 读取目标Word文档
target_docx <- read_docx("你的目标文档路径.docx")

# 提取文档摘要，筛选所有图片条目
docx_content <- docx_summary(target_docx)
image_items <- docx_content[docx_content$content_type == "image", ]

# 批量提取图片到本地目录
# 创建图片保存目录
save_dir <- "./word_extracted_images"
dir.create(save_dir, showWarnings = F, recursive = T)

# 循环提取所有图片
for (idx in seq(nrow(image_items))) {
  # 拼接正确的媒体路径
  media_path <- paste0("word/media/", image_items$media_file[idx])
  # 生成本地保存路径
  save_path <- file.path(save_dir, image_items$media_file[idx])
  # 执行提取
  media_extract(target_docx, path = media_path, target = save_path)
}

R Markdown场景适配 #

如果是在R Markdown中直接使用提取的图片，可直接生成临时文件路径调用，无需持久化存储：

# 取第一张图片为例
first_img_media <- paste0("word/media/", image_items$media_file[1])
tmp_img <- tempfile(fileext = tools::file_ext(first_img_media))
media_extract(target_docx, path = first_img_media, target = tmp_img)

# 直接插入到报告中
knitr::include_graphics(tmp_img)

注意事项 #

• 拼接路径时word/media/末尾的斜杠不可省略，否则会无法定位到资源
• 该规则适用于所有标准docx格式文件，和Office版本、生成docx的工具无关

内容的提问来源于stack exchange，提问作者l.iles